使用舌头图像和自我报告的症状进行糖尿病筛查和监测：一种机器学习方法
研究背景：糖尿病（DM）是一种主要的非传染性疾病。 DM 的诊断和自我管理很重要。 目前，检测糖尿病需要抽血化验，费用高且不方便，尤其是对老年人而言。舌诊作为中医的常规诊断方法，最近被研究用于糖尿病和糖尿病视网膜病变（DR）的检测。 我们开发了一种使用智能手机拍摄舌头图像的方法，与传统的临床舌头检查相比，它可以揭示更详细的特征。 初步研究有很多局限性。 因此，我们在本研究中计划通过以下目标解决这些特定限制。 这项研究的结果将使我们能够开发一个实用的糖尿病筛查和监测应用程序。
学习目标
该研究的目的是开发一种糖尿病筛查算法，其目标如下：
- .确定用智能手机拍摄的舌头图像预测异常 HbA1c (≥6.5%) 的灵敏度和特异性；
- 确定负责分类正常和异常 HbA1c (≥6.5%) 水平的舌象特征；
- 确定舌头图像预测四种不同水平的 HbA1c 的灵敏度和特异性：<6%（正常）、6-6.4%（糖尿病前期）、6.5-8.9% （糖尿病）和 ≥ 9%（糖化血红蛋白高的糖尿病）；
- 确定结合图像分析结果与中医症状问卷结果预测 HbA1c 四个水平的敏感性和特异性。
假设：我们的工作假设是，不同的舌苔特征可能与糖尿病的不同阶段相关，如不同水平的 HbA1c 所示；从中医角度来看，不同的症状组合也可能与不同水平的 HbA1c 相关。 因此，将舌头图像与 TCM 症状相结合可能允许机器学习模型以合理的准确性构建用于 HbA1c 预测的算法。
纳入标准：纳入标准是从符合 ISO 15189 标准的实验室（例如香港医院管理局使用的实验室）获得 HbA1c 测试结果的成人受试者。
排除标准：不能表示同意、不能回答问卷或不能配合舌象采集的受试者将被排除。 我们将不包括无法理解书面中文或英文的受试者。
研究设计：这是一项横断面设计，着眼于舌象模式与 HbA1c 读数之间的关系。 将记录年龄、性别、体重、身高、糖尿病病程、糖尿病家族史和任何合并症。 如果信息可用，还将记录血红蛋白和血脂水平。 还将注意任何急性剧目或消化系统疾病，以及吸烟习惯。 基于已发表的糖尿病中医症状和上述信息的电子问卷（使用Qualtrics调查软件）将用于数据收集。
数据处理与分析
- 舌头分割处理包含舌头及其周围区域的图像以分割舌头区域。 这种分割是由机器学习内部开发的计算机算法执行的。
- 机器学习 机器学习中将使用两种方法。 在第一种方法中，我们将首先对正常或异常 HbA1c 进行图像分类，并使用卷积神经网络 (CNN) 生成分类概率（Anwar 等人，2016 年；Ødegaard 等人，2016 年）。 然后我们将尝试根据图像的 HbA1c 水平将图像分为四个不同的类别：<6%（正常）、6-6.4%（糖尿病前期）、6.5-8.9% （糖尿病）和 ≥ 9%（糖化血红蛋白高的糖尿病）。
主要成果：舌头图像特征：我们将提取舌头图像特征并对正常或异常 HbA1c 进行图像分类，并使用卷积神经网络 (CNN) 生成分类概率。 然后我们将尝试根据图像的 HbA1c 水平将图像分为四个不同的类别：<6%（正常）、6-6.4%（糖尿病前期）、6.5-8.9% （糖尿病）和 ≥ 9%（糖化血红蛋白高的糖尿病）。
次要结果：症状模式：问卷数据将与图像数据结合进行回归分析
研究概览
详细说明
舌头图像收集 舌头图像收集将由训练有素的研究助理根据我们发布的协议（Wang 等人，提交）进行，包括以下步骤。 第一步，在不使用任何滤镜或人工智能（A.I.）功能的情况下启动手机的拍照功能；第二步，开启闪光灯；第三步，将手机拿在正前方，45度角，距离被摄对象15-20厘米，对准被摄对象的嘴唇；第四步，当拍摄对象伸出舌头时，点击屏幕调整焦距，然后拍照；第五步，将全分辨率图片上传至在线问卷系统（Qualtrics 调查软件）。
中医问卷收集电子/纸质问卷用于收集与糖尿病中医证候诊断相关的症状。 这些问题选自以往从中医角度对糖尿病最常见症状的研究（Hsu et al., 2016; Zhou et al., 2012; Zhao et al., 2017）。 年龄、性别、体重、身高、糖尿病病程、糖尿病家族史和任何合并症、Hb 读数（如果有）也将被考虑在内。 最近的吸烟史也被记录为舌苔特征的潜在混杂因素（Tomooka 等人，2017 年）
数据输入和验证 为确保准确性，图像、问卷答案和 HbA1c（以及 Hb，如果有）读数将同时上传到服务器。 还将生成试验的患者识别号，以方便数据验证。 该识别号包括数据采集日期、门诊号等信息。 但是，它不会包含任何与患者的香港身份证、患者全名、HN、MRN、DOB、地址或电话号码相关的信息。
数据将通过使用 Qualtrics 的在线问卷服务收集，然后存储在 SCM/HKBU 的本地计算机中。 必要时可使用纸质问卷，填写好的问卷在研究结束后保存3年。 收集的图像将不包含照片上的眼睛特征，问卷将不包含任何用于识别受试者的信息，除了用于试验的受试者 ID 号。 项目完成后，Qualtrics 上的数据将被删除，而本地计算机上的数据将根据机构要求在研究发表后保留七年。
机器学习 机器学习中将使用两种方法。 在第一种方法中，我们将首先对正常或异常 HbA1c 进行图像分类，并使用卷积神经网络 (CNN) 生成分类概率（Anwar 等人，2016 年；Ødegaard 等人，2016 年）。 然后我们将尝试根据图像的 HbA1c 水平将图像分为四个不同的类别：<6%（正常）、6-6.4%（糖尿病前期）、6.5-8.9% （糖尿病）和 ≥ 9%（糖化血红蛋白高的糖尿病）。 图像分类的概率数据将与问卷数据作为变量结合，使用完全连接的 CNN 层来确定受试者属于四个 HbA1c 水平中的哪一个（Osia 等人，2018）。 这种方法的优点是它允许我们仅使用舌头图像来确定分类的敏感性和特异性。 然而，这种方法的一个缺点是它可能会在使用问卷数据进行分类时丢失一些重要的舌头特征。 或者，我们将使用 CNN 从每个舌头图像中提取特征，并使用一个热编码将特征转换为一维矩阵，从而可以将图像数据与问卷数据混合，以便使用神经网络进行回归分析。
包含至少 200 张负图像和 200 张正图像的单独测试数据集将用于评估所获得算法的灵敏度和特异性。 在最终算法中，将报告灵敏度、特异性、阳性预测值 (PPV) 和阴性预测值 (NPV)。
潜在问题和实验备选方案
潜在问题1：
舌象特征很可能不仅仅存在于HbA1c异常水平，吸烟者和一些急慢性疾病，如COPD、上呼吸道感染和慢性肾脏或肝脏疾病也存在。
实验备选方案：
现在，我们的调查问卷中包含了吸烟史和已知急性或慢性疾病的部分。 如果我们发现某些混杂变量与异常 HbA1c 舌头诊断之间存在显着相关性，我们会警告未来的用户当在具有混杂条件的人群中使用该算法时不可靠。 此外，我们将调整问卷中参数的权重，以实现具有合理特异性和敏感性的预测模型，即使对于具有上述条件的人群也是如此。
潜在问题2：
收集到的舌象数据集的机器分类结果在预测四种 HbA1c 水平时表现出较差的特异性和敏感性，即使在 TCM 问卷中包含参数之后也是如此。
实验备选方案：
由于我们会在可用时从医院收集受试者的血脂概况，因此我们可以随时分析我们的结果。 当我们的总样本人口达到2,000人时，我们仍然发现特异性和敏感性较差，我们将对我们的社区受试者进行血脂检测。 通过在我们的回归模型中添加血脂谱作为参数，我们应该能够提高预测的特异性和敏感性，因为之前的研究已经发现高水平的 HbA1c 与血脂异常之间存在密切相关性（Khan 等人，2007 年）。 当然，我们不希望这种情况发生，因为它会降低我们预测模型的价值，因为它需要侵入性程序来获取血脂谱。 尽管如此，我们有信心根据我们的概念验证研究的结果，至少可以生成用于检测 HbA1c 异常水平 (≥ 6.5%) 的非侵入性模型。
潜在问题3：
无法轻易识别负责 HbA1c 正常和异常水平 (≥6.5%) 分类的图像特征。
实验备选方案：
非常需要提取视觉特征，以提供具有异常 HbA1c 水平的舌头图像的语义和稳健表示。 我们已确定为分类特征的油腻和厚涂层需要进一步定义。 为此，我们将尝试文献中提出的不同技术 (Ching et al., 2018)，包括分配特定示例的重要性分数、匹配或夸大隐藏表示、激活最大化和潜在空间操作等。
研究类型
注册 (预期的)
联系人和位置
学习联系方式
- 姓名：Shi Ping Zhang, PhD
- 电话号码：2466 85234112466
- 邮箱：spzhang@hkbu.edu.hk
研究联系人备份
- 姓名：Jingting Tian, Bachelor
- 电话号码：85254846560
- 邮箱：ayatian@hkbu.edu.hk
学习地点
-
-
-
Kowloon、香港
- 招聘中
- Queen Elizabeth Hospital
-
接触：
- Chiu MIng NG, Dr
- 邮箱：ngcm2@ha.org.hk
-
-
Kowloon
-
Kowloon Tong、Kowloon、香港、0000
- 尚未招聘
- School of Chinese Medicine Building
-
接触：
- Shi Ping Zhang, PhD
- 电话号码：2466 85234112466
- 邮箱：spzhang@hkbu.edu.hk
-
接触：
- Jingting Tian, Bachelor
- 电话号码：85254846560
- 邮箱：ayatian@hkbu.edu.hk
-
-
参与标准
资格标准
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
取样方法
研究人群
描述
纳入标准：
成人受试者 在舌头图像和问卷收集前后两周内，来自实验室的 HbA1c 测试结果符合 ISO 15189 标准。
排除标准：
无法表示同意 无法回答问卷或配合舌象采集 无法理解书面中文或英文。
学习计划
研究是如何设计的？
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
HbA1c<6%（正常）
HbA1c<6% 的受试者，即非糖尿病人群
|
需要进行 HbA1c 测试。
没有其他干预。
研究人员只会给受试者的舌头拍照，并要求他们完成问卷调查。
|
|
HbA1c 6-6.4%（糖尿病前期）
HbA1c 6-6.4% 的受试者，即前驱糖尿病人群
|
需要进行 HbA1c 测试。
没有其他干预。
研究人员只会给受试者的舌头拍照，并要求他们完成问卷调查。
|
|
HbA1c 6.5-8.9%（糖尿病）
HbA1c HbA1c 6.5-8.9% 的受试者，
即糖尿病人群
|
需要进行 HbA1c 测试。
没有其他干预。
研究人员只会给受试者的舌头拍照，并要求他们完成问卷调查。
|
|
HbA1c≥9%（糖化血红蛋白高的糖尿病）
HbA1c≥9%的受试者，即糖化血红蛋白高的糖尿病人群
|
需要进行 HbA1c 测试。
没有其他干预。
研究人员只会给受试者的舌头拍照，并要求他们完成问卷调查。
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
舌象特征
大体时间：通过学习完成，平均1年
|
我们将提取舌头图像特征并对正常或异常 HbA1c 进行图像分类，并使用卷积神经网络 (CNN) 生成分类概率。
然后我们将尝试根据图像的 HbA1c 水平将图像分为四个不同的类别：<6%（正常）、6-6.4%（糖尿病前期）、6.5-8.9%
（糖尿病）和 ≥ 9%（糖化血红蛋白高的糖尿病）。
然后找出不同组的touge图像之间是否有差异。
|
通过学习完成，平均1年
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
症状模式
大体时间：通过学习完成，平均1年
|
问卷数据将与图像数据结合进行回归分析
|
通过学习完成，平均1年
|
合作者和调查者
合作者
调查人员
- 首席研究员：Shi Ping Zhang, PhD、Hong Kong Baptist University
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (预期的)
研究完成 (预期的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.